人工智能发现以前未被发现的历史极端气候

世界上有超过 30,000 个气象站，每天都会测量温度、降水量和其他指标。对于气候研究人员来说，这是大量的数据，需要对其进行汇编和分析，以得出每月和每年的全球和区域气温（尤其是新闻）。

现在，研究人员已经在这些数据集上启用了人工智能 (AI) 来进行分析极端温度在欧洲，与使用传统方法的现有结果相比，发现了极好的一致性，并且还发现了以前未知的极端气候。他们的工作已经发表在自然通讯。

随着世界气候迅速变化，了解极端温度和降水量如何变化非常重要，以便规划者能够适应现在的极端情况以及即将发生的情况。

据气象局称，一些地区的降雨量更大，现在“远远超出了历史气候”2021年论文在自然。极端高温天气也有所增加——全球超过 30% 的陆地面积现在每月气温高于 2 西格玛统计水平在任何一年中，这一比例都高于 1950 年的 1% 左右。

历史气温平均值分析中的一个重要问题是缺乏某些数据气象站尤其是上世纪上半叶。

如果一个人工气象站被损坏，如果它的管理员移动或死亡，如果它停止运行并且没有立即更换，或者可能从未更换，它可能会多年无人监控。新的台站技术需要与以前的仪器相关联，而非洲和两极的大片地区提供的信息很少（如果有的话）。

气候研究人员花费了大量时间试图解决这些差距。一个研究领域被称为数据同质化，并且均质化方法的不同选择在很大程度上解释了发布全球温度平均值和趋势的几个不同小组的结果中出现的细微差异。

由汉堡德国气候计算中心的 Étienne Plésiat 领导的团队（包括来自英国和西班牙的同事）认为，极端温度是应用人工智能神经网络技术的成熟领域。

他们把重点放在了欧洲，那里的气象站数量特别密集，其历史比世界其他地方的历史还要早。（例如，每月哈德利 英格兰中部 温度数据始于 1659 年，这是世界上最古老的记录。）利用人工智能，该小组重建了对欧洲极端气候的观测结果——白天极端温暖和寒冷，以及极端温暖和寒冷的夜晚。

由于欧洲温度站密度较高，传统统计方法如克里金法,反距离加权和角距离加权对于没有温度计但附近有邻近站点的任何位置，它们在预测温度值方面表现良好，但当附近数据稀缺时，它们表现不佳。

所有方法都是使用测量值以及从感兴趣点到邻近气象站的距离来预测感兴趣位置的温度，主要区别在于计算中如何对距离（或角度）进行加权。

近年来，人工智能方法有 表现优于这些传统方法填补了缺失的气候信息并量化了不确定性。

Plésiat 及其同事使用的 AI 模型接受了训练，并与 CMIP6 档案中的地球系统模型的历史模拟进行了比较（耦合模型比较项目，一个气候模型的全球协作，将大气和海洋耦合起来，计算过去的气候、当前的气候）和未来的气候）。

他们的人工智能结果是通过与此类再分析模拟进行比较来评估的，使用的是均方根误差、斯皮尔曼等级相关系数等公认的方法，该系数表明自变量和因变量之间的关联程度（它概括了众所周知的皮尔逊系数 R（但包括非线性相关性）等等。

研究人员发现，他们称之为 CRAI（气候重建人工智能）的深度学习技术优于几种插值方法，例如上面描述的用于计算的插值方法。温暖的日子（日最高气温高于第 90 个百分位数的天数百分比）、凉爽天（日最高气温低于第 10 个百分位数的天数百分比），暖夜和凉夜也类似。

然后他们将其应用到各个领域的重建中哈德EX3欧洲域数据集 - HadEX3 由 1901 年至 2018 年网格化地球表面的 80 多个极端温度和降水指数组成。

在这里，他们的技术也显示出重建过去极端事件的能力，并揭示所谓“再分析数据集”未涵盖的时间间隔内的空间趋势。（气候再分析通过利用气候模型以及可用的观测结果来填补观测数据库的空白。）

此外，他们的 CRAI 还揭示了欧洲以前未知的极端情况，例如 1929 年的寒潮和 1911 年的热浪。由于数据稀少，这种极端情况只是在轶事中被暗示。

“我们的研究表明了必要性和潜在的好处将这种方法应用于全球范围或其他数据稀缺的地区，”该团队在论文中总结道。

“事实上，我们发现基于人工智能的重建比传统统计方法显示出更高的准确性，特别是在数据明显稀缺的地区，”他补充说，当利用大量信息时，训练此类 CRAI 模型应该可以提高准确性。

“这项工作强调了人工智能的变革潜力，可以提高我们对极端气候及其长期变化的理解。”

© 2024 Science X 网络